Die Kitchen konnte bisher Titel, Beschreibungen und Kapitel durchsuchen. Das eigentliche Wissen steckt aber im Gespräch. Jetzt gibt es einen Graphen über alle Transkripte: Themen, Tools, Personen und Kernaussagen, und jede Verbindung springt auf die Sekunde genau ins Video.
Eine Suche beantwortet die Frage „Wo kommt das Wort vor?". Sie beantwortet nicht „Wer hat Direct Lake erklärt, und in welchem Zusammenhang mit Import Mode?". Dafür braucht es Verbindungen: Folge zu Thema, Thema zu Thema, Person zu Folge, Aussage zu Beleg. Genau das ist ein Graph.
Der zweite Grund ist der Beleg. Ein Chatbot, der über Transkripten sitzt, liefert Antworten. Ein Graph mit Zeitstempeln liefert Antworten und die Stelle im Video, an der sie fallen. Für uns ist das der Unterschied zwischen „klingt plausibel" und „kann ich nachhören".
Unsere erste Transkript-Pipeline hatte die Zeitstempel weggeworfen, es ging nur um Volltextsuche. Diesmal bleiben sie drin: jedes Wort mit Sekunde. Daraus werden Segmente von rund 90 Sekunden, geschnitten am Satzende und nie über eine Kapitelgrenze. Jedes Segment kennt sein Kapitel und seine Startsekunde.
Rund 100 Begriffe mit Aliasen: Produkte, Themen, Personen. Die Aliase decken Schreibvarianten ab, aber vor allem die typischen Fehler der automatischen Untertitel. „Power DI", „Fabrik" und „Click" sind in unseren Transkripten Power BI, Fabric und Qlik. Generische Wörter wie „Desktop" oder „Delta" zählen nur, wenn im selben Video auch ein eindeutiger Alias vorkommt.
Erst jetzt kommt ein Sprachmodell dazu. Pro Folge extrahiert es 8 bis 20 prüfbare Aussagen, jede mit Segmentnummer und Themen aus dem Vokabular, dazu typisierte Beziehungen wie „Translytical Task Flows ersetzt Power Automate", jeweils mit Zitat als Beleg. Stand heute sind das 38 Folgen (die 30 neuesten plus 8 Pilotfolgen) mit 677 Kernaussagen und 59 belegten Beziehungen.
Dokumente, Segmente, Knoten, Kanten. Lokal in SQLite mit Volltextindex, für die Website als zwei JSON-Dateien. Der Explorer zeigt den Graphen, die Volltextsuche und zu jeder Verbindung die Stellen im Video. Kein Server, kein Login, läuft auf GitHub Pages wie der Rest der Kitchen.
Seit dem ersten Build sind dazugekommen: die 21 Inhaltsseiten der Kitchen als Dokumente (Schnellstart, Lernpfade, Whitepaper), ein Zeitfilter und ein Zeitstrahl pro Thema, ein Fokus-Modus zum Reinbohren, ein Frage-Baukasten mit fünf Vorlagen und die passende GQL-Abfrage dazu, und Teilen-Links, die jede Sicht als URL festhalten. Bei Seiten springt der Link auf den Abschnitt, bei Folgen auf die Sekunde.
Die Kapitel aus den Videobeschreibungen sind Gold. Wenn ein Kapitel „Preview: DAX columns in Direct Lake" heißt, dann erklärt diese Folge Direct Lake, und das ist belastbarer als jede Erwähnung im Text. Im Unternehmen entsprechen dem Agenda-Punkte in Meeting-Notizen, Überschriften in Word-Dokumenten und Betreffzeilen in Mails.
Die zweite Quelle sind Ko-Vorkommen: Welche Themen fallen im selben 90-Sekunden-Fenster? Daraus entsteht das Netz, das man im Explorer sieht. Sternschema hängt mit Datenmodellierung, Performance und Power Query zusammen, Direct Lake mit DirectQuery, Lakehouse und Refresh. Das ist keine Überraschung, aber es ist gemessen, nicht gemeint.
Ein Beispiel aus dem Pilot, BI Thinkers Talk Nr. 62, in dem es um natives Writeback in Power BI geht. Das Modell hat daraus unter anderem diese Aussagen gezogen, jede mit Sprungmarke:
Das Modell bekommt das Vokabular mit und darf Themen nur daraus wählen. So landen die Aussagen an denselben Knoten wie die Heuristik, und Entity Resolution bleibt an einer Stelle: in der Vokabular-Tabelle, nicht im Prompt.
Der Kitchen-Graph ist der Testfall. Das eigentliche Ziel ist ein Vorgehen, mit dem ein Unternehmen dasselbe über seine Projektdokumente, Meeting-Transkripte und Mails legt, und zwar im eigenen Tenant. Deshalb ist das Schema von Anfang an die Schnittmenge dessen, was Graph in Microsoft Fabric (Preview) kann: gerichtete Kanten, skalare Properties, keine Schema-Evolution. Wer die vier Tabellen lokal sauber hat, lädt sie als Delta ins Lakehouse und modelliert den Graphen darüber.
| Schritt | Kitchen lokal | Im Fabric-Tenant |
|---|---|---|
| Transkript | YouTube-Untertitel als VTT | Teams-Aufzeichnung, Azure AI Speech, VTT behalten |
| Anreicherung | Vokabular-Heuristik, Claude für Aussagen | Dieselbe Heuristik im Notebook, ai.extract mit JSON-Schema statt externem Modell |
| Speicher | SQLite mit FTS5 | Vier Delta-Tabellen im Lakehouse, Cosmos DB in Fabric für Vektor- und Hybridsuche |
| Graph | graph.json, D3 im Browser | Graph-Modell über die Tabellen, GQL, REST-Endpunkt mit Entra-Token |
| Fragen stellen | Volltextsuche im Explorer | Data Agent mit Graph als Quelle (NL2GQL), publizierbar nach Teams und Copilot Studio |
| Oberfläche | Statische Seite auf GitHub Pages | Snapshot-Export, später Fabric App mit SSO (Region beachten) |
Die Checkpoints dafür, von Rahmen und Berechtigungen bis Löschkonzept und Capacity-Kosten, stehen in einem Playbook, das mit dem Projekt wächst. Die wichtigsten Grenzen von Graph in Fabric, Stand heute: Zugriff nur für Workspace-Mitglieder, Abfragen nur lesend, jede Schemaänderung heißt Graph neu laden, und die Fabric App als Oberfläche gibt es in North Europe noch nicht.
Thema anklicken, Folgen sehen, „Stellen zeigen" und direkt an die Sekunde springen. Oder Volltext über alle Transkripte suchen.